Академический Документы
Профессиональный Документы
Культура Документы
Econometra I
Mg. Beatriz Castaeda
Modelo
4
encuentran en interaccin.
Tipos de modelo
5
exteriorizada.
Modelo verbal: Descripcin del modelo mental en
lenguaje ordinario.
Modelo fsico: Representacin de un sistema en
forma material o mediante objetos.
Modelo matemtico: Descripcin del sistema con
la ayuda del lenguaje matemtico.
Proceso:
Todo
Mario Bunge
11
Teora
Aceptacin de la
teora si es compatible
con lo datos
Rechazo de la teora
si es incompatible
con lo datos
Revisin de la teora
si es incompatible
con lo datos
Confrontacin con
nuevos datos
Mg. Beatriz Castaeda
Conjunto de
datos 1
Conjunto de
datos 2
Conjunto de
datos N-1
Conjunto de
datos N
Modelo economtrico 1
Modelo economtrico 2
Modelo economtrico N
Confirma eventualmente
la bondad de la teora
13
Nuevos
desarrollos
tericos
Nuevos
modelos
economtricos
y aplicacin
con nuevos
datos
Yt b0 b1 X t b2 Z t
b)
Prediccin: Se usa para predecir el valor futuro de una variable de inters, por
ejemplo predecimos Yt dados unos hipotticos valores futuros para X t y Zt.
c)
MODELO ECONOMETRICO
LINEAL
Uniecuacional
NO LINEAL
Multiecuacional
Uniecuacional
Multiecuacional
Modelo de Regresin
17
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Dada una muestra de tamao n, tenemos:
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
Mg. Beatriz Castaeda
Notacin matricial
19
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
y1 1
y 1
2
... ...
yn 1
x 21
x 22
...
x2n
x 31
x 32
...
x3n
...
...
...
...
xk 1
x k 2
...
x kn
1 1
2 2
... ...
k n
Y = X +
Mg. Beatriz Castaeda
E ( )
E ( 1 ) 0
E ( ) 0
2
.....
E
(
0
n
1
2
V ( ) E () E 1 2
...
n
E ( 12 )
... n
E ( 1 2 ) ... E ( 1 n )
2
E
(
)
E
(
)
...
E
(
)
2
1
2
2
n
0
...
...
...
... ...
2
E ( n 1 ) E ( n 2 ) ... E ( n ) 0
...
2
...
0
...
...
0
2I
...
... 2
21
Propiedades de matrices y
Distribuciones de probabilidad
22
1. A es simtrica
2. A es idempotente
AT = A
An = A
3. A es simtrica e idempotente
4. Si AB y BA
Propiedades de matrices y
Distribuciones de probabilidad
23
AB=0
Sea
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Dado el estimador
...
Yi 1 2 X 2 i 3 X 3 i ... k X ki
y el residuo o error de estimacin
ei Yi Yi Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )
Mg. Beatriz Castaeda
i 1
i 1
S ( ) ee e1
e2
... en
e1
e
n
2
e2
i
...
i 1
en
Y1 Y1
Y Y
Y Y
......
Yn Yn
S ( ) ee (Y Y )(Y Y ) (Y X )(Y X )
25
Para minimizar S ( )
respecto a cada
e igualamos a 0
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( 1) 0
1
i 1
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( X 2 i ) 0
2
i 1
.
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )( X ki ) 0
k
i 1
26
i 1
i 1
i 1
i 1
Yi n1 2 X 2i 3 X 3i ... k X ki
n
Y
i 1
X 2i
i 1
i 1
i 1
i 1
1 X 2 i 2 X 22i 3 X 2 i X 3 i ... k X 2 i X ki
.
n
Y X
i 1
ki
i 1
i 1
i 1
i 1
1 X ki 2 X ki X 2 i 3 X ki X 3 i ... k X ki2
y1 n
y x
2 2i
... ...
... xkn yn xki
1 1 1 ... 1
x x x ... x
2n
21 22 23
... ... ... ... ...
xk 1 xk 2 xk 3
x
x
2i
2
2i
...
x2i xki
XY = (XX)
x
x x
3i
2i 3i
...
x3i xki
...
...
...
...
x
x x
1
2 i ki 2
... ...
2
x ki k
ki
( X X )1 X Y
27
S ( ) ee (Y X )(Y X ) (Y X ) (Y X )
Y Y X Y Y X X X
Y Y 2 X Y X X
S ( )
2 X Y 2( X X ) 0
X Y ( X X )
( X X )1 X Y
28
29
( X X ) 1 X Y ( X X ) 1 X ( X ) ( X X ) 1 X
Funcin lineal de las obs. Y
E ( ) [( X X ) 1 X ]E ( )
2)
V ( ) 2 ( X X ) 1
( X X ) 1 X
1
1
V ( ) E[( )( )] E[( X X ) X X ( X X ) ]
( X X ) 1 X E () X ( X X ) 1 ( X X ) 1 X ( 2 I ) X ( X X ) 1
2 ( X X ) 1
Mg. Beatriz Castaeda
Teorema de Gauss-Markov
30
~ ~
Sea A Y un estimador lineal de y sea
~
A A ( X X ) 1 X ; matriz kxT , de mod o que
~ [ A ( X X ) 1 X ]Y [ A ( X X ) 1 X ] ( X )
~ AX [ A ( X X ) 1 X ]
~
Luego E ( ) AX as ~ ser insesgado slo si A es tal que AX 0
Mg. Beatriz Castaeda
Teorema de Gauss-Markov
31
~
[ A ( X X ) 1 X ]
La matriz de convarianzas de
~
ser
~
~
~
V ( ) E[( )( )]
E ([ A ( X X ) 1 X ] )([ A ( X X ) 1 X ] )
2 AA 2 ( X X ) 1 2 ( X X ) 1 V ( MCO )
Mg. Beatriz Castaeda
Estimador de 2
32
e Y X X X ( X X ) 1 X Y
X X ( X X ) 1 X ( X )
X ( X X ) 1 X
[ I X ( X X ) 1 X ] M
M es simtrica e idempotente
M [ I X ( X X ) 1 X ] I X ( X X ) 1 X M
MM [ I X ( X X ) 1 X ][ I X ( X X ) 1 X ]
I X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X
I X ( X X ) 1 X M
Mg. Beatriz Castaeda
S ( ) ei2 ee ( M )( M ) M M M
E ( e ) E ( M ) E
2
i
a
i 1
ii
2
i
2 aij i j
i j
aii 2 2 aij E ( i j )
2 Traza ( M ) 2 ( n k )
Traza ( M ) Traza ( I nxn X ( X X ) 1 X )
Traza ( I ) Traza ( X ( X X ) 1 X )
2
e
i
ee
nk nk
33
Es un estimador insesgado de
Clculo de
2
S
2
2
e
2
e
i
ee
nk nk
ee Y Y 2 X Y X X
ee Y Y 2 X Y X X [( X X ) 1 X Y ]
ee Y Y X Y
Y Y ( X Y )
S
nk
2
2
e
34
Aplicacin 1
Para las variables Y, X2, X3, X4 se plante el siguiente modelo
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Obtenemos los estimadores de los parmetros con la siguiente informacin
resumida de la data obtenida para una muestra:
Y`Y = 10
3
3
X Y
2
10
4
X `X
2
( X X ) 1 X Y
0.52
0.64
0.16
0.38
4 2
8 0
0 6
0 0
0
0
0
( X ` X ) 1
0
0.1364 0.0682 0.0455
0.0682 0.1591 0.0227
0
0
0
0
0.125
Y Y ( X Y ) 10 4,9205
S
0,8466
nk
6
2
2
e
Modelo:
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Modelo estimado
S e 0,9201
0
0.1154 0.058 0.0385
0.058 0.1347 0.019
V ( ) S e2 ( X `X ) 1
0.0455 0.019 0.1539
0
0
0
0
0
.
1058
36
Coeficiente de determinacin R2
Yi 1 2 X i
y
yi
y
37
Yi y
SCR
2
R
SCT
(Y
i 1
Y )
2
(Y
y )2
(Y y
i 1
SCT
(
y
y
)
i
(Yi y i )
Variacin
no explicada
error
Variacin
Total
xi
SCE
( y i y )
Variacin
explicada por
la regresin
( y
i 1
Y )2
SCR
SCE
R2 1
1
SCT
2
i
2
(
Y
y
)
i
SCE
R2 1
1
SCT
(Y Y ) e
(Y Y )
2
R2
2
i
2
e
i
2
(
Y
y
)
i
n Y 2 (Y Y X Y )
2
2
Y
n
Y
i
n
Y
R2
Y Y n Y 2
38
2
R
Coeficiente de determinacin ajustado
R2 1
2
e
i
2
(
Y
y
)
i
R 1
[ SCE /( n k )]
n1
1
(1 R 2 )
[ SCT /( n 1)]
nk
el vector de perturbaciones
2
N
(
0
,
multivariante I )
entonces:
1
1
1) ( X X ) X Y ( X X ) X
tiene
dist
.
(
n k )
2
2
40
3)
1
2
( ) X X ( )
1
( )[V ( )] ( )
2
[ X ( )] [ X ( )] ( N )( N ) N
2
2
X ( ) X X Y (Y ) (Y Y )
M ( I M ) ( X ( X X ) 1 X ) N
Traza(N) = K
41
( n k ) S e2 M
2
tiene
dist
.
( n k )
2
2
N
1
2
( )[V ( )] ( )
tiene
dist
.
(k )
2
MN M ( I M ) M MM 0
Entonces las dos formas cuadrticas son independientes
Luego
[( ) X X ( )] / k
F
tiene dist . F( k , n k )
2
Se
42
Como i es N ( i , 2 a ii )
y
( n k ) S e2
2
tiene
dist
.
( n k )
2
a ii
( n k ) S e2
( n k ) 2
t 1 / 2 T
- t1-/2
t1-
( i i )
es t ( n k )
S e a ii
( i i )
S e a ii
t 1 / 2
Obtenemos
t(n-k)
L i t1 / 2 S
43
Prueba de Hiptesis
H 0 : i i*
H 1 : i i*
Estadstica de la Prueba
( i i* )
T
es t ( n k ) si H 0 es cierta
S e a ii
Decisin
Rechazar la H0 a favor de H1 si
T t 1 / 2 o
- t1-/2
t1-
t(n-k)
T t 1 / 2
44
2. Para
( n k ) S e2
2
tiene
dist
.
(
n k )
2
1-
2
/2
Obtenemos
12 / 2
(2n k )
( n k ) S e2
Li
12 / 2
45
2
/2
( n k ) S e2
2
1 / 2
2
( n k ) S e2
Ls
2 / 2
Mg. Beatriz Castaeda
10
Prueba de Hiptesis
H0 :
H1 :
20
....
0
k
Estadstica de la Prueba
[( 0 )[ X X ]( 0 )] / k
F
tiene dist . F( k , n k ) si H 0 es cierta
2
Se
Decisin
Rechazar la H0 a favor de H1 si
F > F1-
F1-
46
F(k ,n-k)
Yi 1 2 X 2 i .... 5 X 5 i i , para i 1, n
Para el cual se formula las siguientes hiptesis
3 3 5 8
1. H 0 : 4 4 1 0
3 2
5 2
H 0 : R r
1
0 0 3 0 1 2
1 0 0 4 0
0 1 0 0 3 4
Restricciones lineales
R
47
8
0
2
r
Mg. Beatriz Castaeda
H 0 : R r
H 0 : R r
Rqxk ; q k
Rango( R ) = q (las restriciones son
linealmente independientes)
es N ( , 2 ( X X ) 1 )
( R r ) es N (0, R[V ( )] R)
E ( R r ) R E ( ) r R r 0
V ( R r ) R[V ( )]R
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
W ( R r )[ S e2 R ( X X ) 1 R]1 ( R r ) (2q )
48
12
(2n k )
2. Prueba F
H 0 : R r
H 0 : R r
Rqxk ; q k
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
F1
F( q ,n k )
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
( n k ) S e2 ee
2
tiene
dist
.
(
n k )
2
2
W qF
49
File
New
workfile
File
New
workfile
50
2. Frequency
anual
Range
51
OK
3. Ingreso de datos:
Quick
Empty group
52
Aparece una planilla en blanco en la que se asigna nombre a las variables y se ingresa los
datos como en una planilla excel
53
3. Estimacin de la ecuacin:
Quick
54
Estimate equation
55
56
Modelo estimado
Coefficient
Std. Error
t-Statistic
Prob.
5.228449
29.00686
0.180249
0.8587
PNB
0.213205
0.011921
17.88539
0.0000
-0.828817
3.239046
-0.255883
0.8005
R-squared
0.941937
41.13333
Adjusted R-squared
0.936407
20.97122
S.E. of regression
5.288459
6.285400
587.3238
Schwarz criterion
6.432656
F-statistic
170.3368
Prob(F-statistic)
0.000000
Log likelihood
Durbin-Watson stat
-72.42479
0.787335
57
Se escribe el nombre
58
Se escribe la especificacin
OK
Yi 1 2 X 2 i .... k X ki i , para i 1, n
1) Anlisis de significancia de la variable Xi
H0 : i 0
H1 : i 0
Estadstica de la Prueba
i
T
S
es t ( n k ) si H 0 es cierta
i
- t1-/2
59
t1-
t(n-k)
R 0 qxs I sxs
q 1
q 2
H0 :
.....
sx1
0
0
...
0
0
0
...
0
sx1
... 0 1 0 ... 0
... 0 0 1 ... 0
... ... ... ... ... ...
... 0 0 0 ... 1
1
...
q 1
q 2
sxk
0
0
...
0
...
k
sx1
kx1
1 X 21
1 X
22
X
... ...
1 X 2 n
... X q1
... X q 2
... ...
... X qn
X1
60
X X1 X 2
X q 1 1
X q 1 2
...
X q 1 n
...
...
...
...
X2
X k1
X k 2
...
X kn
Mg. Beatriz Castaeda
X X1 X 2
B
1
B2
Y X1 X 2
H 0 : B2 0
B1
B X 1 B1 X 2 B2
2
H 1 : B2 0
H 0 : R 0 sxq I sxs
A11
R ( X X ) R 0 I
A21
1
61
B1
B B2 0
2
A12 0
A22
A22 I
B
X X 11
B21
B12
B22
A11
A21
( X X ) 1
A12
A22
1
A11 ( B11 B12 B22
B21 ) 1
1
A12 B11
B12 A22
1
A21 B22
B21 A11
X 1'
X X
'
2
X1
X 1' X 1
X 1' X 2
'
X 2 X1
X 2' X 2
X2
Y X 1 B1 1
Mg. Beatriz Castaeda
H 0 : B2 0
H 1 : B2 0
H 0 : R 0 sxq I sxs
B1
B B2 0
2
Entonces la estadstica
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
Se reduce a:
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
63
H 1 : B2 0
Modelo restringido
Y X1 X 2
B1
B X 1 B1 X 2 B2
2
SCE ( MSR ) ee Y M Y
e MY
Modelo restringido
(MR)
B1
B2
Y X 1 B1 1
SCE ( MR ) e1e1 Y M 1 Y
e1 M 1Y
64
En el MSR
Y X 1 B 1 X 2 B 2 e
M 1Y M 1 X 1 B 1 M 1 X 2 B 2 M 1e M 1 X 2 B 2 e
M 1 X 1 1 [ I X 1 ( X 1' X 1 ) 1 X 1' ] X 1 1 0
X Y ( X X )
Luego
X 1'
X 1' e
0
e '
'
X2
X 2 e 0
X (Y X ) X e 0
M 1e [ I X 1 ( X 1' X 1 ) 1 X 1' ]e e
65
M 1Y M 1 X 2 B 2 e
( M 1Y )( M 1Y ) ( M 1 X 2 B 2 e )( M 1 X 2 B 2 e )
Y M 1Y B 2 X 2 M 1 M 1 X 2 B 2 B 2 X 2 M 1 e e M 1 X 2 B 2 ee
2 X 2 M 1e 2 X 2 e 0
e M 1 X 2 2 [ 2 X 2 M 1e ] 0
Y M 1Y B 2 X 2 M 1 X 2 B 2 ee
SCE(MR)
Luego
SCE(MSR)
66
SCR(MR)
H 0 : B2 0
H 1 : B2 0
Estadstica de la prueba
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
Equivale a:
es F( s , n k )
SCE ( MSR ) /( n k )
SCE ( MSR ) /( n k )
[ X Y 1 X 1Y ] / s
F
[Y Y X Y ] /( n k )
67
Fuente de variacin
Suma de cuadrados
Debido a X2, , XK
SCR X Y nY
Debido a X2, , Xr
SCR1 1 X 1 Y nY
Debido a Xr+1, , XK
2
2
SCR2 X Y 1 X 1 Y
SCR1 X Y nY 2 k / a kk
Debido a XK
SCR2 k2 / a kk
G.L.
C.M.
Razn F
k-1
SCR
K 1
SCR / k 1
SCE / n k
SCR2
kr
SCR2 / k r
SCE / n k
SCR2
k2 / a kk
SCE / n k
SCE
nk
r-1
k-r
k-2
Debido al error
SCE Y Y X Y
n-k
Total
Y Y nY
n-1
68
Yi 1 2 X 2 i .... k X ki ei , para i 1, n
Y 1 2 X 2 .... k X k ya que
1 Y ( 2 X 2 .... k X k )
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) ei
yi 2 x 2 i .... k x ki ei
y xB 2 e
x:
Yi 1 2 X 2 i .... k X ki ei , para i 1, n
Modelo en desviaciones
y xB 2 e
B 2 ( x x ) 1 x y
E ( B 2 ) B2
V ( B 2 ) 2 ( x x ) 1
2
V ( 1 )
2 X 2 ( x x ) 1 X 2
n
1 Y ( 2 X 2 .... k X k )
V ( 1 ) V [Y ( 2 X 2 .... k X k )] V [Y X 2 B 2 ] V (Y ) X 2 V ( B 2 ) X 2
cov( 1 , B 2 ) Cov[Y X 2 B 2 , B 2 ] X 2 V ( B 2 ) 2 X 2 ( x x ) 1
70
2
e
i
ee
y y B 2 x y
nk nk
nk
2
y xB 2 e
e y xB 2
SCE
y y B 2 x y
R 1
1
SCT
y y
2
71
ee y y B 2 x y
B 2 x y
R
y y
2
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
Si i es N (0, 2 )
Yi E (Yi )
2
e
'
i
S X ( X X ) X i
es t ( n k )
L Yi t1 / 2 S e2 X i' ( X X )1 X i
72
Yi 1 2 X 2 i .... k X ki i
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
E (ei ) 0
e i Yi Yi X i' i X i'
Si i es N (0, 2 )
T
V (ei ) 2 X 'i V ( ) X i
Yi Yi
1
S (1 X ( X X ) X i )
2
e
'
i
es t ( n k )
L Yi t1 / 2 S e2 (1 X i' ( X X ) 1 X i )
73
Coeficientes estandarizados
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) i
Yi Y
S
2 SX 2
SY
Y
j j
*
X 2i X 2
SX j
S X2
....
S Xk
SY
X 2i X 2
S X2
Variables en su nivel
Variables en
desviaciones de media
Variables estandarizadas
SY
Correlacin Parcial
En el modelo de regresin mltiple interesa medir cun relacionada est la
variable dependiente con cada una de las variables independientes, luego de
eliminar completamente el efecto de las otras variables independientes en el
modelo.
Ejemplo
Sea el modelo:
Yi 1 2 X 2 i 3 X 3 i i
1) Yi 1 2 X 3 i
2) X 2 i 1 2 X 3 i
de 1) Y * Yi Yi
de 2) X *2 i X 2 i X 2 i
y X2
y X3
y X3
X2
Y
X3
y X 2 ( controlada por X 3
rYX 2 rYX 3 rX 2 X 3
2
1 rX22 X 3 1 rYX
3
SY .3
2 rY 2.3
S 2.3